自年被NatureMethods评选为年度技术以来，「空间转录组学」已成为当今生命科学领域最炙手可热的革命性技术之一。简单来说，该技术能够获取组织空间信息和转录组数据，从时间和空间维度精准解析组织内基因表达模式，以及细胞类群的空间位置关系等生物学特征，在疾病研究、生长发育、器官结构和物种演化等领域的研究中均具有极高价值。
随着空间转录组学在学术科研领域持续火爆，如10xVisium、Slide-seq以及Stereo-seq等空间转录组学技术也如泉涌而出，这些最新成果和进展正彻底地改变人类对组织内基因表达模式的研究。然而，仅仅获得组织内特定物理坐标的基因表达谱，还无法全面了解生物系统的复杂性，穷究其理，必须辨别组织内每个空间点的生物学身份。
目前，基于机器学习的方法已被广泛应用于识别空间点的群集，并使用标记基因解释其生物学身份。但这些方法通常因为缺乏与群集内已知结构建立明确联系的能力而受限。此外，手动注释常被用作辅助识别已知结构，但该方法常受限于研究人员的专业知识和主观判断，且无法应用于大规模分析当中。
针对上述挑战，复旦大学脑科学研究院诸颖团队近日在「NatureCommunications」上发表了题为「Pianno:aprobabilisticframeworkautomatingsemanticannotationforspatialtranscriptomics」的研究成果。研究团队借鉴了计算机视觉中的「语义分割」思想，提出了「空间转录组语义注释」概念，并开发了空间转录组语义注释工具Pianno，能够为组织内的空间点自动定义结构或细胞类型，从而结合来自多个维度的信息，加强对复杂生物系统的解释。
研究亮点：
*Pianno具有独特的自动标记模式，适用于各种空间转录组学技术生成的数据
*与最先进的空间聚类方法相比，Pianno展现出了卓越的性能，为空间转录组学数据提供了新的视角
论文